Проблема: движение плода разрушает диагностику
При пренатальной МРТ врачи собирают серию 2D-срезов, которые в сумме дают 3D-модель мозга плода. Однако если голова ребенка двигается во время сканирования, срезы делаются под разными углами. Это создает «дыры» в данных и искажает ориентацию, из-за чего радиологи могут пропустить аномалии развития или поставить неверный диагноз. Часто это вынуждает беременных проходить повторные, длительные и дискомфортные процедуры.
Решение: физика внутри архитектуры нейросети
Команда разработала модель E(3)-Pose, представленную на European Conference on Computer Vision 2026. Ключевое отличие — в архитектуру сети заложены принципы физики, а не просто обучены на данных. Модель использует эквивариантность и встроенное знание о лево-правой симметрии черепа плода. Это позволяет алгоритму точно определять ориентацию головы даже при сильном движении, корректируя снимки «на лету».
Ключевые участники и метрики внедрения
Проект объединил усилия исследователей из MIT Jameel Clinic, CSAIL, Boston Children's Hospital и французской лаборатории Inria. Работа велась под руководством Полины Голланд (Polina Golland) и Элфара Адалстинссона (Elfar Adalsteinsson). Особую сложность представляла интеграция кода в сканеры: соавтор Борджан Гагоски (Borjan Gagoski) разработал специальные последовательности сканирования для обучения модели, а ассистент Арин Ли (Aryn Lee) координировала работу с добровольцами.
Практическая польза и будущие планы
По словам соавтора Рамьи Мутукришнан (Ramya Muthukrishnan), система заменяет медленный ручной процесс на автоматизированный, что снижает стресс для пациенток и повышает качество снимков для врачей. В настоящее время модель обучена на плодах третьего триместра. Следующая цель — адаптация для второго триместра, где плод меньше и активнее двигается, что критично для раннего выявления патологий.
Применимость за пределами медицины
Технология E(3)-Pose не ограничивается диагностикой. Ее алгоритмы отслеживания 3D-объектов в зашумленных данных могут быть использованы в автономном вождении, где датчики также сталкиваются с проблемой неполного сбора данных о движущихся объектах.
Источник: MIT News AI ↗